Künstliche Intelligenz (KI) verändert die Art und Weise, wie Unternehmen über Zuverlässigkeit nachdenken. Fast jedes kabellose Schwingungssystem verspricht „KI-gestützte Erkenntnisse“, die zu „intelligenten Instandhaltungsentscheidungen“ führen sollen. In der Praxis ist KI jedoch nur ein Werkzeug. Die Ergebnisse der KI sind nur so gut wie die Daten, die sie erhält. Wenn ein System nicht die richtigen Signale erfasst, kann keine noch so ausgefeilte Analyse die Lücke füllen. Infolgedessen reagiert das Instandhaltungsteam möglicherweise auf Ausfälle, anstatt sie vorherzusagen.
Der eigentliche Unterschiedsmacher in der prädiktiven Instandhaltung (PdM) ist nicht die KI, sondern die intelligente Kombination aus hochwertigen Daten und fachlichem Expertenwissen – unterstützt durch KI.
Wenn „intelligente“ Sensoren blind sind
Jedes System behauptet, einen intelligenten Sensor zu haben, und jeder Sensor erfasst nützliche Informationen. Selbst das einfachste System kann Ihnen sagen, ob die Welle unbalanciert ist, die Kupplung falsch ausgerichtet ist oder die Struktur locker ist. Dies sind wichtige Fehler, über die man Bescheid wissen sollte – sie sind jedoch auch die am leichtesten zu erkennenden.
Diese Tatsache macht es einfach, einen erfolgreichen – wenn auch nicht schlüssigen – Pilotversuch durchzuführen. Während eines ersten Tests identifiziert jedes System zahlreiche offensichtliche Probleme in der Anlage. Es fühlt sich wie ein Beweis für den Erfolg an, aber der eigentliche Test kommt später. Viele Sensoren sind blind für die Signale, die entstehen, wenn ihre kritischen Anlagen ein sich entwickelndes Lager- oder Zahnraddefekt aufweisen. Genau dies sind jedoch die Ausfallarten, die mit hoher Wahrscheinlichkeit die Produktion zum Stillstand bringen – die sogenannten „Process Killer“.
Verborgene Signale des Process Killers
Alle Maschinen erzeugen Vibrationssignale über einen breiten Frequenzbereich, von niedrigen bis zu sehr hohen Frequenzen. Die Frage ist: Welche Frequenzen sind am wichtigsten?
Niedrigfrequente Vibrationen korrelieren mit der Bewegung der Maschine – der Rotation der Welle und der Ausrichtung ihrer Komponenten. Im Gegensatz dazu werden hochfrequente Vibrationen durch Schläge verursacht – zum Beispiel die scharfen, kurzen Impulse, die entstehen, wenn ein Wälzkörper über eine Ausbruchstelle im Außenring rollt.
Um diese Schläge zu erkennen, müssen Sie die Vibration im Hochfrequenzbereich messen und eine entsprechend hohe Abtastrate verwenden. Je höher die Abtastrate, desto besser die Datenqualität. Mit Standard-Vibrationsabtastung werden diese scharfen Schläge jedoch tatsächlich als gleichmäßige Bewegung registriert – obwohl ernsthafte mechanische Schäden fortschreiten und ein bevorstehender Ausfall droht.
Viele drahtlose Sensoren sind daher nicht einmal in der Lage, das vollständige Vibrationsbild zu erfassen. Die Verwendung eines niedrigeren Frequenzbereichs (und einer niedrigeren Abtastrate) kann das System blind für die hochfrequenten Signale eines beschädigten Lagers machen und den Anlagenbetrieb einem ungeplanten Ausfall aussetzen. Es ist zu beachten, dass die überwiegende Mehrheit der verfügbaren Systeme Drittanbieter-Signalverarbeitung verwendet, die ihre Fähigkeit, diese Signale zu erkennen, zusätzlich einschränkt. Das Ergebnis ist ein unvollständiger Überblick über den Zustand der Maschine und eine stark eingeschränkte Fähigkeit, Lager- und Zahnraddefekte sowie andere Process Killer zu erkennen.
Aufstieg entlang der Ausfallkurve
Zuverlässigkeitsingenieure beziehen sich oft auf die P-F-Kurve, die die verstrichene Zeit zwischen dem Auftreten eines Ausfallmodus (z. B. P = Potenzieller Ausfall) und dem daraus resultierenden Produktionsstillstand (F = Funktionaler Ausfall) beschreibt. Das Ziel ist es, Probleme so früh wie möglich entlang der Kurve zu erkennen. Dies verschafft zusätzliche Zeit, um Instandhaltungsmaßnahmen zu planen und ungeplante Ausfälle zu vermeiden.
Systeme, die hochfrequente Schläge nicht erkennen können, übersehen diese Defekte möglicherweise vollständig. Oder, falls sie sie erkennen, geschieht dies erst viel später auf der Ausfallkurve, sodass wenig bis keine Zeit bleibt, Instandhaltungsarbeiten einzuplanen, bevor die Anlage ausfällt.
Die Verarbeitung des Roh-Vibrationssignals mit Hochfrequenzabtastung verändert alles. Die resultierenden Informationen liefern nicht nur die Art des Problems, sondern auch die Schwere des Defekts, sodass Sie erkennen können, wie weit er fortgeschritten ist. Das ist der Unterschied zwischen dem Reagieren auf Ausfälle und dem tatsächlichen Vorhersagen von ihnen.
Funktionalität und Preis stimmen nicht immer überein
Bei einem drahtlosen Vibrationsgerät ist es verlockend zu glauben, dass teuer automatisch besser bedeutet. Die Wirksamkeit eines drahtlosen Vibrationssensors hängt jedoch nur wenig vom Preis ab. Entscheidend für seinen Erfolg ist ein intelligentes Design – also wie der Sensor Daten erfasst, verarbeitet und überträgt.
Ein gut gestaltetes System kann hochwertige Daten liefern, ohne den Preis in die Höhe zu treiben. Ein schlecht gestaltetes System kann teuer sein und dennoch wichtige Defekte nicht erkennen. Der Unterschied liegt in den ingenieurtechnischen Entscheidungen:
- Kann es schnell genug messen, um hochfrequente Stöße zu erfassen?
- Misst es die Vibrationsamplitude genau?
- Ist das rohe analoge Vibrationssignal für den KI-Algorithmus zugänglich?
Ohne diese Grundlagen arbeitet selbst das beste KI-Modell nur mit unvollständigen Informationen. Das Ergebnis mag zwar ausgefeilt aussehen, doch die Diagnose basiert auf unvollständigen Daten.
Jenseits von KI: Datenqualität, Fachwissen und Diagnostik
Die Leistung eines PdM-Programms wird nicht allein durch den KI-Algorithmus bestimmt. Sie entsteht aus einer Zusammenarbeit von qualitativ hochwertigen Daten, umfangreichem Fachwissen und guter Diagnostik. Da Vibrationssignale physikalisch bedingt sind, besteht der größte Nutzen von KI darin, die Abdeckung zu erweitern. Sie verändert den Prozess der Vibrationsanalyse jedoch nicht grundlegend. Das Konzept des „Maschinellen Lernens“ wird hier fast fehlinterpretiert, da die diagnostischen Prinzipien der Vibrationsanalyse seit Jahrzehnten gut verstanden werden. Tatsächlich bedeutet es, wenn ein System tatsächlich behauptet, „lernend“ zu arbeiten, dass es ursprünglich nicht auf einer fundierten Analyse der Ausfallmodi basierte.
Daher liegt der entscheidende Unterschied zwischen den Ergebnissen von Zuverlässigkeitssystemen darin, ob sie von Experten entwickelt wurden, die Maschinen und Maschinendiagnostik verstehen. In einem durchdachten System werden hochwertige Daten mit einer hohen Abtastrate (typischerweise über 100 kHz) erfasst, um die frühesten und genauesten Anzeichen mechanischer Belastung zu liefern – und, wichtig, die Schwere des Defekts. Fachwissen stellt sicher, dass diese Signale korrekt interpretiert werden. Dieses Schlüsselfeature verlagert die Instandhaltung von Rückschau zu Voraussicht.
Während KI ein mächtiges Werkzeug bleibt, kann sie hochwertige Daten und umfangreiches Fachwissen nicht ersetzen. Die Fähigkeit, aus dem rohen Vibrationssignal die wichtigsten Informationen zu extrahieren, macht Vorhersagen erst möglich.
Abschließend ist PdM jeglicher Art nur dann wertvoll, wenn ein Prozess vorhanden ist, um auf die aus dem Vibrationssignal gewonnenen Informationen zu reagieren. Dies ist ein zentrales Thema, das vor der Implementierung eines Systems geklärt werden muss. Bei der Bewertung eines Systems sind dies gute Fragen, die man stellen sollte:
- Gibt es eine Option für erweiterte Fehlersuche?
- Kann ich einen erfahrenen Analysten vor Ort haben, um eine KI-Diagnose zu überprüfen?
- Welche weiteren prädiktiven Technologien können mit Vibration kombiniert werden, um den Bedarf für eine Abschaltung zur Instandhaltung zu bestätigen?
Klicken hier, um zu erfahren, wie Sie diese Prinzipien in die Praxis umsetzen und Ihr PdM-Programm auf die nächste Stufe heben können.